audio-dataset

audio-dataset

LAION音频数据集收集与处理开源计划

LAION发起的Audio Dataset Project致力于收集和处理大规模音频-文本对数据集。项目团队由Mila和UCSD的研究人员及全球贡献者组成,专注于数据收集、标准化处理和webdataset格式存储。该项目为CLAP等模型训练提供数据支持,并设有完善的贡献指南和进度跟踪系统,欢迎更多贡献者参与。

音频数据集LAIONCLAPwebdataset开源项目Github
<div align="center"> <a href="./data_collection/README.md"><img src="https://img.shields.io/badge/%20-所有数据集列表-red" width="170px" /></a> &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href="https://github.com/orgs/LAION-AI/projects/2/views/1"><img src="https://img.shields.io/badge/%20-Github项目页面-red" width="175px" /></a>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;<a href="./data_preprocess/README.md"><img src="https://img.shields.io/badge/%20-数据处理流程-red" width="190px" /></a> </div> <br><br><br> <div align="center"> <a href="./laion-audio-630k/README.md"><img src="https://img.shields.io/badge/-LAION--Audio--630K-red" width="400px" /></a> </div> <br><br>

什么是音频数据集项目?

这个仓库是为音频数据集项目创建的,这是由LAION发起的音频数据集收集计划。这些数据集每个都包含大量的音频-文本对,最终将被处理并用于训练CLAP(对比语言-音频预训练)模型和其他模型。

这里有一个解释视频向您介绍这个项目。

我们是谁?

由于音频数据集是属于LAION的开源项目,我们有一个开源贡献者团队。他们包括LAION成员,来自MilaUCSD的三人研究小组Yusong WuKe ChenTianyu Zhang,实习生Marianna Nezhurina,前实习生Yuchen Hui,以及来自世界各地的许多热情贡献者,如Discord服务器上的@PiEquals4#1909。

我们做了什么?

  • 我们持续收集音频数据集,这里是我们找到的所有数据集的列表
  • 我们定义了存储和处理所有音频数据集的标准和方法,这对于统一数据集的最终格式以简化模型训练至关重要。我们目前使用的最终数据集格式是webdataset。具体的数据处理流程在这里指定。
  • 您还可以在这里找到每个已处理音频数据集的处理代码。测试这些脚本所需的依赖项在文档environment.txt中指定。请注意,environment.txt可能是一个不完整的列表。还有一个包含冗余包的列表environment.yml(即完整列表的超集),您可以使用命令conda env create --name envname --file=environment.yml创建环境,并使用conda activate envname激活它。

贡献

联系方式

  • 您可以在LAION的Discord服务器的CLAP频道(频道名称是小写的clap)找到我们。
  • 在CLAP频道,如果您对项目有任何问题,请随时与实习生Marianna Nezhurina(marianna13#7139)、Christoph Schuhmann(@spirit-from-germany#1488)、Richard(@rvencu#4120)、Romain(@rom1504#5008)、Yuchen Hui(@Yuchen Hui#8574)、Yusong Wu(@Yusong Wu#3047)、Ke Chen(@Ke Chen#0709)或Tianyu Zhang(@tianyuzhang#1725)交流。括号中的文字是Discord ID。
  • 此外,如果您在贡献过程中需要计算资源,请进入Discord服务器的compute-allocation频道,阅读置顶消息以了解LAION pods的使用方法。如果遇到任何问题,请随时在该频道提问。
  • 7.14更新:旧的LAION pods不再可用,所以您必须在CLAP频道联系Richard(@rvencu#4120)以获取新LAION集群的访问权限。

项目进展

我们创建了一个github项目页面来跟踪数据收集和数据处理的进度。以下是项目的每个板块的一些描述:

  • 待办事项板块:这个板块中放置了列表中尚未转换为webdataset格式且目前没有人在处理的所有数据集。
  • 已分配/进行中/处理中板块:我们列出了已分配给某人处理的数据集,即我们已经有贡献者在处理这些数据集。
  • 审核板块:一旦某个数据集被转换为webdataset格式,相应的项目应该被移到这里,表示它已准备好进行进一步审核(例如,检查是否有任何格式错误,以确保模型训练的质量)。
  • 完成板块:如果在审核阶段没有发现问题,数据集将被归档到"完成"板块,这意味着它已准备好用于训练模型。

如何贡献?

主要有两种方式可以为我们的音频数据集项目做出贡献。

  1. 通过网络爬取技术收集分散的音频源(然后将它们转换为webdataset格式,即下面的第二点)

    示例:从剑桥词典爬取单词-发音对,或从YouTube抓取视频,提取声音并与标题关联。

    如果您想了解我们目前关注哪些分散的音频源,或者如果您对我们下一步应该抓取什么有建议,请加入我们的Discord。

  2. 处理已整理的数据集,即根据流程将它们转换为webdataset格式

    示例:Clotho是一个已整理的音频数据集,有自己的格式,我们应该使用data_preprocess/preprocess_clotho.pyutils/make_tars.py将其转换为webdataset格式。有关更多处理细节,请阅读流程部分。

    对于这类贡献,建议查看github项目页面中待办事项板块的数据集并加入我们的Discord服务器。请在从待办事项板块选择一个要处理的数据集后联系Marianna Nezhurina(marianna13#7139),这样我们可以跟踪进度并避免多人同时处理一个数据集的情况。

  • 最后但同样重要的是,如果您发现任何有趣的已整理数据集(如Clotho),您可以在LAION Discord服务器告诉我们。我们最终会将其添加到列表中。

贡献交付

理想情况下,在上述两种情况下,我们希望收到您的webdataset格式数据集。当您将数据集打包成webdataset格式后,将其上传到我们的AWS S3存储桶:aws s3 cp your/webdataset/ s3://s-laion-audio/webdataset_tar/your webdataset/,并联系Marianna Nezhurina(marianna13#7139),以便她可以将数据集移至审核板块。(如果可能,请也将处理后的(尚未打包的)数据集添加到S3://s-laion-audio/processed_dataset)。

关于AWS S3访问问题,请参见上面联系方式条目中的LAION集群部分,因为如果从LAION新集群访问,AWS S3是可以访问的。

然而,对于抓取的数据集,我们也接受CSV文件,其结构为:

允许我们下载的音频url链接 , 文本

即每行是一个音频url-文本对,这样我们可以轻松地编写批处理文件来处理它。

结束

最后更新于2022年7月14日0:57 EST 最后更新于2022年9月5日11:00 EST(Marianna Nezhurina将接替Yuchen Hui的实习工作) 最后更新于2022年11月8日18:55 EST(发布LAION-Audio-630K数据集)

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多